解决numpy矩阵相减出现的负值自动转正值的问题

问题描述

今天在使用Numpy中的矩阵做相减操作时,出现了一些本应为负值的位置自动转换为了正值,

观察发现转换后的正值为原本的负值加上256得到,具体情况如下:

正常情况矩阵相减样例如下

>>> import numpy as np
>>> arr = np.array([98,100,103,161,192,210])
>>> brr = np.array([105,105,106,197,196,195])
>>> crr = arr-brr
>>> print(crr)
[ -7 -5 -3 -36 -4 15]

错误代码如下：

path = './image/Blur/blur5.png'
kernel_size = (21, 21);
sigma = 0;
img = cv2.imread(path)
img2gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img2blur = cv2.GaussianBlur(img2gray, kernel_size, sigma);
grayMat = np.matrix(img2gray)
blurMat = np.matrix(img2blur)
finalMat = blurMat-grayMat
print(grayMat[0,0:10])
print(blurMat[0,0:10])
print(finalMat[0,0:10])

得到的结果值如下：

[[173 171 169 171 174 179 181 182 180 180]]
[[172 172 172 173 173 174 174 173 171 168]]
[[255 1 3 2 255 251 249 247 247 244]]

解决方案

以上出现的矩阵相减得到的结果值自动转换的问题是因为直接通过grayMat = np.matrix(img2gray)

得到的dtype类型是unit8类型的,只需要在开始时设置为np.int32即可正常完成相减.即:

grayMat = np.matrix(img2gray ,dtype=np.float64)

补充知识：有关于python数字图像处理出现矩阵相减没有负数（值都在0-255）的情况分析

问题的发现：

这些天在做我们本校课程机器学习大作业的过程中遇到了一些瓶颈：在我使用有关数字图像矩阵运算的过程中两个参数矩阵相减（譬如 R通道的值-G通道的值）的时候，测试结果的输出一直是正数，且其值都在（0-255）中，这给我带来了不少麻烦。

测试代码如下

print(imgs_train[1][:,:,1])
print("====================================")
print(imgs_train[1][:,:,2])
print("====================================")
print(imgs_train[1][:,:,1]-imgs_train[1][:,:,2])

输出结果为

[[141 143 144 ... 90 90 68]
[139 141 141 ... 88 90 68]
[140 141 140 ... 87 90 68]
...
[ 52 52 52 ... 85 83 81]
[ 52 52 52 ... 85 83 81]
[ 52 52 52 ... 85 83 81]]
====================================
[[171 173 172 ... 106 107 84]
[169 171 169 ... 106 107 86]
[169 170 169 ... 107 109 88]
...
[ 40 40 43 ... 68 66 64]
[ 40 40 43 ... 68 66 64]
[ 40 40 43 ... 68 66 64]]
====================================
[[226 226 228 ... 240 239 240]
[226 226 228 ... 238 239 238]
[227 227 227 ... 236 237 236]
...
[ 12 12 9 ... 17 17 17]
[ 12 12 9 ... 17 17 17]
[ 12 12 9 ... 17 17 17]]

可以看得出来，虽然两个矩阵相减，但是理应为负值的元素却像是取模了一般又变为了正数（255+计算结果），导致这样情况的原因其实是因为矩阵的元素类型有关。默认来说这样的矩阵类型是uint8即无符号8bit整型，这样进行相减当然得不出正确结果。

问题的解决

在查阅相关资料之后，发现可以通过设置其元素格式进行运算，从而规避了无负数结果的发生。

测试代码如下：

print(imgs_train[1][:,:,1])
print("====================================")
print(imgs_train[1][:,:,2])
print("====================================")
print(imgs_train[1][:,:,1].astype(np.float32)-imgs_train[1][:,:,2].astype(np.float32))

结果显示为：

[[141 143 144 ... 90 90 68]
[139 141 141 ... 88 90 68]
[140 141 140 ... 87 90 68]
...
[ 52 52 52 ... 85 83 81]
[ 52 52 52 ... 85 83 81]
[ 52 52 52 ... 85 83 81]]
====================================
[[171 173 172 ... 106 107 84]
[169 171 169 ... 106 107 86]
[169 170 169 ... 107 109 88]
...
[ 40 40 43 ... 68 66 64]
[ 40 40 43 ... 68 66 64]
[ 40 40 43 ... 68 66 64]]
====================================
[[-30. -30. -28. ... -16. -17. -16.]
[-30. -30. -28. ... -18. -17. -18.]
[-29. -29. -29. ... -20. -19. -20.]
...
[ 12. 12. 9. ... 17. 17. 17.]
[ 12. 12. 9. ... 17. 17. 17.]
[ 12. 12. 9. ... 17. 17. 17.]]

综上所述，在遇到矩阵不明数值类型的时候可以指定其类型，之后矩阵元素就会以这样的数值类型进行计算。

来源：https://blog.csdn.net/Noonebirdyou/article/details/83547244